MONOGRAFÍA PREVIA A LA OBTENCIÓN DEL …dspace.uazuay.edu.ec/bitstream/datos/4131/1/10710.pdf ·...
84
UNIVERSIDAD DEL AZUAY FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN ESCUELA DE INGENIERIA DE SISTEMAS MÉTODOS DE CALIBRACIÓN PARA APLICACIONES DE MEDICIÓN DE RUIDO PARA SMARTPHONES: REVISIÓN LITERARIA Y COMPARACIÓN CUALITATIVA MONOGRAFÍA PREVIA A LA OBTENCIÓN DEL TÍTULO DE INGENIERO DE SISTEMAS AUTOR: David Gerardo Campoverde Inga DIRECTORA: Daniela Ballari (PhD) Cuenca - Ecuador 2014
Transcript of MONOGRAFÍA PREVIA A LA OBTENCIÓN DEL …dspace.uazuay.edu.ec/bitstream/datos/4131/1/10710.pdf ·...
UNIVERSIDAD DEL AZUAY
FACULTAD DE CIENCIAS DE LA ADMINISTRACIÓN
ESCUELA DE INGENIERIA DE SISTEMAS
MÉTODOS DE CALIBRACIÓN PARA APLICACIONES DE MEDICIÓN DE RUIDO
PARA SMARTPHONES: REVISIÓN LITERARIA Y COMPARACIÓN
CUALITATIVA
MONOGRAFÍA PREVIA A LA OBTENCIÓN DEL TÍTULO DE
INGENIERO DE SISTEMAS
AUTOR:
David Gerardo Campoverde Inga
DIRECTORA:
Daniela Ballari (PhD)
Cuenca - Ecuador
2014
ii
DEDICATORIA
Dedico este trabajo a Clara, mi madre, quien desde pequeño me inculco el deseo
de superación y a jamás dar mi brazo a torcer aún en las peores adversidades. Sin
duda fue fuente de inspiración para la consecución de este trabajo.
Lo dedico también a mi padre Gerardo quien con su trabajo incansable y tesonero
ha sabido siempre esforzarse para brindarme la mejor educación aún a costa de
sus propios intereses e inclusive muchas veces de su salud.
No puedo dejar de dedicar este trabajo a mi abuela Inesita quien ha sido como mi
segunda madre y en su momento la única que me brindo sabios consejos para no
decaer y continuar adelante.
Por último pero no menos importante se lo dedico a mi sobrina Romina a quien
quiero como si se tratara de mi hija.
iii
AGRADECIMIENTOS
Agradezco a mis padres Gerardo y Clara por su constancia y esmero en brindarme
siempre lo mejor y procurar que nada me faltase nunca, sobre todo valores los
cuales son inapreciables. A mi madre por enseñarme a ambicionar siempre pero de
una manera altruista sin jamás pisotear a nadie en el camino y a mi padre por
enseñarme valores como el respeto, el orden y la disciplina.
Agradezco a amigos y amigas incondicionales quienes siempre me brindaron su
aliento y estuvieron pendientes del avance del trabajo aquí presentado, me refiero a
Gisella, Elizabeth, Andrea, Christian y Juan.
A mi hermana Belén y a mis hermanos Andrés y Juan quienes fueron siempre
incondicionales y propiciaron además un buen ambiente de trabajo dentro del
entorno de mi hogar.
Es imposible dejar de agradecer a Daniela, directora de esta monografía quien fue
una fuente insustituible de material de consulta de calidad inigualable; algunos de
estos materiales a los cuales tuve acceso gracias a ella forman parte vital de este
trabajo.
iv
INDICE DE CONTENIDOS
DEDICATORIA ..............................................................................................................ii
AGRADECIMIENTOS .................................................................................................. iii
INDICE DE CONTENIDOS ..........................................................................................iv
RESUMEN ...................................................................................................................vi
ABSTRACT ................................................................................................................. vii
1. ........................................................................................................................... Introducción ...................................................................................................................................... 8
2. Mediciones ambientales con smartphones. ........................................................ 11
2.1 Evolución de plataformas de monitoreo ambiental .................................................... 11
2.2 Escalas de monitoreo ambiental .................................................................................. 12
2.3 Precisión de instrumentos acústicos estandarizados .................................................. 13
3. Metodología. .......................................................................................................... 14
4. Resultados. ............................................................................................................ 17
4.1.1 On the Use of Sensor Nodes and Mobile Phones for the Assessment of Noise
Pollution Levels in Urban Environments ........................................................................ 17
4.1.2 Noise Tube: Measuring and mapping noise pollution with mobile phones ....... 19
4.1.3 Acoustics and the smartphone ............................................................................. 20
4.1.4 Community memories for sustainable societies. The case of environmental noise.
....................................................................................................................................... 22
4.1.5 Ear-Phone: A Context-Aware Noise Mapping using Smart Phones ...................... 24
4.1.6 30 iPad Sound Measurement Apps Reviewed ...................................................... 26
4.1.7 Supplementary Material: Awareness and learning in participatory noise sensing.
....................................................................................................................................... 27
4.1.8 Evaluation of smartphone sound measurement applications .............................. 29
4.1.9 Noise map professional versus crowdsourced data ............................................. 31
4.2 Tabla 6. Comparativa de estudios de medición de niveles de ruido con smartphones y
sonómetros profesionales ................................................................................................. 33
4.3 Métodos de calibración de aplicaciones móviles para medición de ruido sin utilización
de sonómetros. .................................................................................................................. 37
v
4.3.1 NoizCrowd: A Crowd-Based DataGathering and Management System for Noise
Level Data ....................................................................................................................... 37
4.3.2 DDNM: Monitoring Environment Noise using Smart Phones ............................... 40
4.3.3 Creating Noise Pollution Maps Based on User-generated Noise Data ................. 42
4.3.4 Methods for sensing urban noise ......................................................................... 44
4.3.5 A comparative study on VGI and professional noise data .................................... 44
4.4 Tabla 8. Comparativa de estudios de medición de niveles de ruido con smartphones
sin la utilizaron de sonómetros profesionales. .................................................................. 48
5. Conclusiones. ......................................................................................................... 51
6. Recomendaciones. ................................................................................................ 52
6.1 Recomendaciones para métodos que utilizan sonómetros. ....................................... 52
6.1.1. Recomendación según Nivel de conocimientos. ................................................. 52
6.1.2. Recomendaciones según Nivel de Recursos (Hardware y Software). ............. 52
6.1.3. Recomendaciones según Nivel de recursos Humanos. ....................................... 53
6.2 Recomendaciones para métodos que no utilizan sonómetros. .................................. 53
6.2.1 Recomendación según Nivel de conocimientos. .................................................. 53
6.2.2 Recomendación según Nivel de Recursos (Hardware y Software). ................. 53
6.2.3 Recomendación según Nivel de Recursos Humanos. ........................................... 53
6.3 Recomendaciones para obtener mediciones de calidad ............................................. 54
6.3.1 Entrenamiento. ..................................................................................................... 54
6.3.2 Elegir smartphones con características de sus micrófonos detallados. ............... 54
6.3.3 Elegir smartphones con hardware similares. ........................................................ 54
6.3.4 Características medioambientales. ....................................................................... 55
6.3.5 Rango de decibeles y Frecuencias Bajas. .............................................................. 55
6.3.6 Precisión de los datos. .......................................................................................... 55
6.3.7 Características del entorno. .................................................................................. 56
6.3.8 Modelos de teléfonos actuales. ............................................................................ 56
REFERENCIAS .......................................................................................................... 57
vi
RESUMEN
Algunos trabajos en los últimos años sobre monitoreos de ruido han sido llevados a
cabo con smartphones y equipo profesional acústico como sonómetros o
dosímetros. También han existido otros estudios donde no intervienen sonómetros
pero si otros instrumentos como por ejemplo un generador de ondas para evaluar el
rendimiento de una aplicación de medición de ruido a diferentes frecuencias. La
mayoría de estudios se han enfocado en comparar las mediciones tomadas por una
aplicación móvil para medición de ruido con las obtenidas por un sonómetro
profesional. En este trabajo se revisan varios métodos de calibración que fueron
llevados a cabo para obtener una mejor calidad con las aplicaciones disponibles.
8
Métodos de Calibración para Aplicaciones de Medición de Ruido para
Smartphones:
Revisión literaria y Comparación Cualitativa
1. Introducción.
La importancia de la participación ciudadana en la toma de decisiones en materia
ambiental se hizo presente a partir de la Declaración de Río sobre el Medio
Ambiente y el Desarrollo (Organización de las Naciones Unidas [ONU], 1992). Sin
embargo, la provisión y la producción de la información ambiental, en particular
sobre cuestiones tales como la contaminación acústica y la calidad del aire, sigue
estando principalmente en manos de las autoridades públicas que recogen los
datos y luego los liberan para conocimiento de la ciudadanía. Se hace necesario
impulsar nuevos espacios para desarrollar mecanismos asequibles que ayuden a
los ciudadanos a generar su propia información ambiental. Estos procesos podrían
generar una mayor conciencia sobre el aprendizaje acerca de los problemas
ambientales actuales. Además, podrían servir para fomentar una mayor
participación ciudadana en la toma de decisiones en materia ambiental, y en última
instancia, estimularlos a tomar medidas para mejorar su propio entorno basado en
las nuevas técnicas de observación participativa.
Para lograr esto la mayoría de ciudadanos poseen dispositivos móviles que son
potenciales sensores ambientales con aplicaciones para medir la calidad del aire o
evaluar los niveles de contaminación acústica por citar dos de los ejemplos más
representativos en el ámbito ambiental.
Sin embargo, los ciudadanos en la mayoría de casos tienen conocimientos
limitados sobre la existencia de estas aplicaciones, sus procesos de instalación, y
su forma de uso adecuada. Además un requisito indispensable para utilizar de
forma apropiada estas aplicaciones y obtener mediciones de calidad, es realizar
procedimientos de calibración de los sensores. Algunas aplicaciones de medición
de ruido disponen de opciones de calibración pero solo para ciertos modelos de
teléfono móvil, un ejemplo de esto es la aplicación NoiseTube. Sin embargo, no
todas las aplicaciones móviles para medición de ruido poseen esta característica
por lo que se hace necesario implementar métodos o técnicas de calibración para
lograr una mejor fiabilidad de los datos obtenidos. Por ello se considera necesario
9
dar a conocer al ciudadano común métodos de calibración de los sensores que
resulten fáciles de comprender e implementar.
Un trabajo reciente sobre metodologías de detección de ruido es el de Liu, donde
hace una diferenciación entre métodos que utilizan sonómetros profesionales y
aquellos que utilizan smartphones (2014). En la primera categoría Liu recalca el
sencillo método de colocar dispositivos profesionales de forma permanente en
diferentes lugares basándose en cierta densidad, por ejemplo un dispositivo por
cada 0.25 km², una vez obtenidos los datos, los mismos son enviados para su
procesamiento de forma alámbrica o inalámbrica. Este método si bien es
considerado bastante preciso representa a la vez un costo de desarrollo elevado,
en primer lugar por los sonómetros profesionales utilizados y en segundo lugar
debido a la implementación de la red para la transmisión de los datos obtenidos.
Además están involucrados otros gastos como protecciones contra el viento y la
lluvia para los dispositivos. Si bien este método es efectivo no es escalable para
miles de usuarios. La cobertura de este método es bastante discutible pues no
todos los usuarios tienen acceso a medios de monitoreo de sonido profesionales.
En los métodos que se basan en la utilización de smartphones en lugar de
sonómetros la calidad de los datos es menor, sin embargo la cobertura y el tiempo
de monitoreo aumentan.
Existen comparativas sobre aplicaciones móviles de medición de ruido como la
realizada por Kardous y Shaw en este 2014 o también la realizada por la Canadian
Academy of Audiology en una de sus publicaciones oficiales (Keene, et al., 2013).
Sin embargo en las mismas no se revisan con detalle los parámetros necesarios
para una correcta calibración de las aplicaciones.
Este trabajo contribuye con una revisión de métodos de calibración utilizados en los
últimos años en estudios sobre niveles de ruido que utilizaron smartphones y
equipos profesionales de medición acústica como sonómetro o dosímetros. Además
se identificaron aquellos que no requirieron este tipo de equipos lo que implicó un
costo menor en su desarrollo. Se compararon cualitativamente, en base a literatura,
los distintos métodos que pueden ser utilizados para calibrar aplicaciones móviles
de medición de ruido y se identificaron cuales serían los más factibles para ser
llevados a cabo por ciudadanos que no necesitan poseer conocimientos avanzados
sobre métricas acústicas.
10
Además de categorizar el nivel de conocimientos necesario para la realización de
los estudios revisados se estimó el nivel de recursos económicos y el de recursos
humanos, es decir la cantidad de personas que fueron necesarias fueran estas
voluntarias o incentivadas de alguna forma. Así este trabajo contribuye con proveer
información que permita a interesados seleccionar cuál es el método más apropiado
para su entorno.
El resto del artículo se encuentra organizado de la siguiente manera: En la sección
2 se describe brevemente el nivel de desarrollo de aplicaciones ambientales con
smartphones y también se realiza una breve introducción referente a métodos de
calibración disponibles para aplicaciones para medición de ruido para smartphones.
Se resumen los estándares que se utilizaron para llevar a cabo estos métodos de
calibración. A continuación en la sección 3 se presenta la metodología utilizada. En
la sección 4 se realiza la revisión de varios estudios sobre análisis de nivel de ruido
que utilizan sonómetros profesionales y smartphones para su desarrollo. Luego se
presentan los resultados obtenidos a través de una tabla comparativa. A
continuación se revisan estudios que utilizan smartphones pero no requirieron
sonómetros para ser desarrollados. De la misma manera ser presenta una tabla
comparativa de los resultados obtenidos. Luego en la sección 5 encontraremos las
conclusiones y desafíos para futuras investigaciones para finalizar con la sección 6
donde se realizan algunas recomendaciones sobre cuál es el método o los métodos
más viables de realizar tanto a nivel de conocimientos necesarios, nivel de recursos
(hardware y software) y nivel de recursos humanos (cantidad de personal
necesario). Se dan también algunas recomendaciones para ayudar a obtener una
mejor calidad en la obtención de datos al utilizar smartphones para analizar niveles
de ruido, sobre todo para aquellos usuarios sin conocimientos avanzados sobre
mediciones acústicas.
11
2. Mediciones ambientales con smartphones.
2.1 Evolución de plataformas de monitoreo ambiental
Los teléfonos de hoy en día no sirven solo para comunicarnos mediante
redes sociales, en realidad vienen embebidos con múltiples sensores como
un acelerómetro, brújula digital, giroscopio, GPS, micrófono, y por supuesto
la cámara. Comunitariamente estos sensores están permitiendo la aparición
de infinidad de aplicaciones en salud, redes sociales, seguridad, medio
ambiente, incluyendo aplicaciones para medición de ruido ambiental.
Podemos introducir inteligencia humana en nuestros teléfonos en forma de
modelos de clasificación que pueden inferir comportamiento humano y su
contexto. Además se pueden utilizar las grandes cantidades de datos
generadas por los usuarios para construir sistemas de clasificación cada vez
más precisos y robustos. Estamos en una etapa de transición de teléfonos
smart a teléfonos cognitivos (Campbell y Choudhury, 2012).
En la Figura 1 podemos observar el avance a través de los años de los
sensores medioambientales. Podemos ver que desde principios de los
noventa hasta finales de los mismos lo que se hizo fue implementar al
entorno por ejemplo con nodos sensores inalámbricos en edificios o también
con implementaciones de visión artificial que han ayudado sobre todo en
temas concernientes a la seguridad.
Luego de esto poco antes del año 2000 empieza a cambiar la ubicación de
los sensores y más bien se busca instrumentar a las personas con sensores
portables como acelerómetros que pueden medir su nivel de actividad física.
Aparecen luego aproximadamente a mediados de la década de los años
2000 los MSP (Mobile Service Platform) que pueden ser transportados
fácilmente por los usuarios.
Desde finales de los años 2000 lo que se pretende es instrumentar a los
teléfonos móviles con sensores como acelerómetros o en la actualidad hasta
un barómetro por nombrar solo dos de los múltiples sensores que poseen
actualmente los smartphones
12
Figura 1: Historia de Plataformas para Monitoreo. (Efstratiou, 2012).
2.2 Escalas de monitoreo ambiental
Existen varias escalas de monitoreo y a su vez de aplicaciones móviles, esto
depende del contexto en el que se realicen las mediciones y además de la
capacidad de las mismas para transmitir los datos obtenidos con otros
usuarios y obtener algún tipo de beneficio individual o colectivo a partir de
los mismos (Efstratiou, 2012). Así tenemos:
Individual: Una persona de forma individual monitorea diferentes
parámetros relacionados con su salud, nutrición o comportamiento por
ejemplo al conducir.
Grupal: Un grupo de personas se une para lograr un objetivo común
por ejemplo para intervenir en la seguridad del barrio o mejorar las
actividades de reciclaje que se realizan en el mismo.
Comunitaria: Se trata de monitoreos a gran escala donde un gran
número de personas tiene instalada la misma aplicación en sus
smartphones por ejemplo aplicaciones para monitoreo de tráfico, ruido
en el ambiente, calidad del aire.
También se distinguen otros tipos de clasificaciones en cuanto a tipos de
monitoreo. Por ejemplo si el participante contribuye activamente a la
obtención de los datos se lo conoce como monitoreo participativo pero sí en
13
cambio contribuye pasivamente se lo conoce como monitoreo oportunista
(Campbell, Eisenman, Lane, Miluzzo, Peterson, 2006).
Cuando cada sensor involucra un ciudadano diferente (monitoreos grupales
y colectivos), el control sobre los diferentes nodos de la red de sensores, así
como la calidad de sus observaciones, se vuelve complicado. Como
resultado, los datos de entrada pueden volverse corruptos, lo que requeriría
medidas adicionales para lograr una buena calidad (Estrin, 2010). Una de
estas medidas adicionales para asegurar la calidad de los datos es la
calibración de los dispositivos móviles para que las aplicaciones existentes
para monitoreo de ruido funcionen de mejor manera y sus mediciones se
acerquen más a las obtenidas por un sonómetro profesional.
2.3 Precisión de instrumentos acústicos estandarizados
El rendimiento de la instrumentación profesional acústica está garantizado
mediante el cumplimiento de ciertos estándares y su calificación dentro de
un tipo de clasificación denominado Clase o Tipo. El tipo de clasificación
resume el rendimiento global del instrumento. La Clase/Tipo 1 es más
precisa que la Clase/Tipo 2. La Tabla 1 resume los estándares para
mediciones de ruido de la IEC (International Electrotechnical Commission) y
de la ANSI (American National Standards Institute).
Tabla 1. Resumen de estándares IEC y ANSI para mediciones de ruido.
Dosímetro ANSI 1.25 1991: Specifications for Personal
Noise Dosimeters, ANSI (2007a).
IEC 61252: 1993, Electroacoustics -
Specifications for personal sound exposure
meters, IEC (1993).
Sonómetro ANSI S1.4: 1983-Specifications for sound level
meter. (ANSI (1983)), Error permisible:±1.5 dB
(Tipo1), ±2.3 dB(Tipo 2).
ANSI S1.43: 1997-Specifications for
Integrating-Averaging Sound Level Meters,
ANSI (2007b).
IEC 61672- Electroacoustics, Sound level
meters, Part 1:
Specifications, IEC (2002), part 2: Pattern
evaluation tests, IEC(2003), part 3 : Periodic
tests.
14
3. Metodología.
En primer lugar se realizó una revisión literaria de estudios realizados a nivel
internacional en los últimos cinco años sobre monitoreos de niveles de ruido con
smartphones. Se seleccionaron 14 estudios que contemplaron diferentes
mecanismos de calibración en las aplicaciones de medición de ruido utilizadas. De
estos 14 estudios 9 utilizaron un sonómetro profesional y los 5 restantes no
requirieron del mismo.
Se realizaron dos tablas comparativas. Una por cada tipo, la primera con un
resumen de los estudios que utilizaron smartphones y sonómetros para su
desarrollo y la segunda con aquellos que no necesitaron de sonómetros. Los
parámetros que se incluyen en la tabla son los siguientes:
1. N°: Para facilitar las recomendaciones finales se le ha asignado un
número a cada estudio revisado. Los mismos han sido ordenados de
manera cronológica desde el más antiguo hasta el más reciente.
2. Nombre: Nombre del artículo, revisión, pagina web o tesis revisada.
3. Smartphones: Modelos de smartphones utilizados durante el estudio.
Cabe aquí recalcar que seguramente habrá modelos descontinuados
que han sido dejados de producir por el fabricante sin embargo podrían
ser importantes para elegir teléfonos con características similares.
4. Aplicaciones: Nombre de las aplicaciones móviles de medición de ruido
utilizadas. En algunos casos se utilizaron aplicaciones comerciales y en
otros aplicaciones creadas específicamente para el estudio.
5. Entorno de estudio: Aquí describimos el espacio físico donde se
realizaron los estudios. En algunos casos fueron laboratorios
profesionales acústicos (cámaras anecoicas o reverberantes) donde
fueron reproducidos sonidos pregrabados de escenarios reales. En otros
casos fueron escenarios reales en interiores como en un campus
universitario y también en exteriores como por ejemplo en una
intersección entre dos avenidas muy transitadas.
15
6. Sonómetro: Se específica el sonómetro profesional utilizado para
verificar la precisión de las mediciones obtenidas por las aplicaciones
móviles. Este parámetro por supuesto no se incluye en métodos del
segundo tipo.
7. Rango dB(A): Se refiere al rango entre el valor mínimo y el valor
máximo en dB(A) obtenido en las mediciones realizadas en el estudio
revisado. Cabe señalar que este rango se refiere a las mediciones en
general tanto las realizadas por equipo profesional y las realizadas con
los smartphones.
8. Otros elementos: Aquí detallamos otros elementos de hardware y
software que fueron necesarios aparte de los smartphones y del
sonómetro profesional
9. Precisión dB(A): Aquí se destaca la precisión final obtenida por las
aplicaciones móviles en los estudios revisados, es decir la diferencia
promedio en dB(A) que existió entre las mediciones obtenidas por las
aplicaciones móviles y el equipo acústico profesional utilizado.
Todos los parámetros descritos anteriormente son propios de cada estudio. Aparte
de los mismos fueron agregados tres parámetros los cuales se describen a
continuación:
10. Nivel de conocimientos: Aquí se categorizó el nivel de conocimientos
necesario para la realización de cada estudio Tenemos:
Bajo: No fue necesario un entrenamiento para los usuarios
en el uso de las aplicaciones. La instalación de las
aplicaciones utilizadas así como su calibración siguieron
un procedimiento sencillo. No hicieron falta conocimientos
avanzados sobre mediciones acústicas.
Medio: Fue necesario un entrenamiento previo. La
instalación de las aplicaciones fue sencilla. Además de
conocimientos sobre el uso y calibración de la aplicación
fueron necesarios conocimientos sobre métricas acústicas.
16
Alto: Fue necesario entrenamiento previo y en algunos
casos personal especializado perteneciente a laboratorios
acústicos. Se deben poseer conocimientos fuertes sobre
métricas acústicas.
11. Nivel de recursos económicos: Aquí se definieron igualmente 3
categorías:
Bajo: Las aplicaciones utilizadas no tuvieron costo. Los
smartphones utilizados tuvieron costos accesibles y
también los equipos profesionales acústicos utilizados.
Medio: Algunas de las aplicaciones tuvieron costos
accesibles, estamos hablando de entre uno a 5 dólares
aproximadamente. Los equipos de medición profesionales
también tuvieron un costo accesible. Los smartphones
utilizados no poseen precios tan accesibles como en el
caso del nivel bajo.
Alto: El costo de los equipos profesionales fue elevado al
igual que el software que utilizan los mismos. Se utilizaron
smartphones de última generación lo que implicó un costo
elevado de los mismos. Los cuartos anecoicos o de
reverberación utilizados para las pruebas pueden llegar a
valer miles de dólares.
12. Nivel de Recursos Humanos: De la misma forma que los dos
parámetros vistos anteriormente definimos 3 categorías:
Bajo: Fueron necesarias de entre 2 a 10 personas para
realizar el estudio.
Medio: Se necesitaron de 11 a 20 personas para llevar a
cabo el estudio.
Alto: Se necesito de un personal mayor a 20 individuos,
inclusive en algunos casos el estudio fue realizado por
grupos especializados o por laboratorios acústicos.
17
4. Resultados.
4.1 Métodos de calibración de aplicaciones móviles para medición de ruido
con utilización de sonómetros.
No existen estándares o normas específicas que establezcan requisitos
electroacústicos para smartphones. Sin embargo si se han realizado intentos de
calibración de aplicaciones de medición de ruido y también algunas validaciones de
observaciones tomadas con smartphones.
La mayoría de los estudios revisados fueron realizados comparando los niveles de
sonido medidos con las aplicaciones móviles con un sonómetro profesional. Lo que
buscaban es evaluar el rendimiento de una aplicación específica de medición de
ruido en lugar de la capacidad de los smartphones para medir niveles de ruido de
forma precisa.
En esta revisión cuando veamos la palabra smartphone, teléfono móvil o
simplemente teléfono nos referiremos al dispositivo portable que permitió la
instalación del software para medición de niveles de ruido y cuyas mediciones
fueron comparadas con las de un sonómetro profesional, . A continuación se
describen 10 de las principales iniciativas localizadas en la literatura de los últimos
cinco años:
4.1.1 On the Use of Sensor Nodes and Mobile Phones for the
Assessment of Noise Pollution Levels in Urban Environments
Santini, Ostermaier y Adelmann (2009) buscaban investigar dos
problemas principales: la similitud de las mediciones tomadas entre
dispositivos cercanos y también la exactitud de las mediciones tomadas
con los dispositivos comparadas con las tomadas con un sonómetro
profesional, específicamente un sonómetro Extech 407740 de Clase 2.
Se utilizaron 3 teléfonos Nokia N95 de 8GB. Utilizaron tres dispositivos
del mismo tipo para evitar discrepancias en los resultados debido a
diferencias de hardware ya que inclusive dispositivos del mismo tipo
pueden contener micrófonos internos de distinto fabricante. Además
como fuente de audio utilizaron un ordenador portátil común que
soporta hasta 192 kHz entrada / salida de audio que se conectó a
18
altavoces externos de alta calidad. Se evaluó la precisión de niveles de
ruido medidos con teléfonos sin calibrar.
Las mediciones tuvieron lugar en un cuarto silencioso con los 3 modelos
de teléfono y un sonómetro de clase 2 localizado en una mesa. Si bien
las conclusiones de este estudio no proveen ningún análisis estadístico
de las mediciones, la mayor contribución del mismo es el uso de fuentes
de ruido del mundo real en un entorno controlado.
Se realizaron en total 3 experimentos para evaluar la respuesta de los
teléfonos a varios eventos acústicos:
1. El primer experimento estudió la respuesta de los teléfonos
móviles a señales de pruebas sintéticas producidas por
una fuente de audio en un medio ambiente controlado.
2. En el segundo experimento se investigó la habilidad de los
teléfonos móviles para capturar señales a diferentes
frecuencias. Utilizaron 5 señales de frecuencia de igual
amplitud: 1, 4, 8, 16 y 20kHz.
3. Para evaluar la respuesta de los dispositivos móviles en
condiciones más realistas desarrollaron un tercer
experimento usando una grabación de treinta segundos de
un embotellamiento. La señal incluía varios sonidos
diferentes de pitos, frenos y motores lo que resultó en un
complejo espectro de amplitud y frecuencia.
Se obtuvieron algunas conclusiones cualitativas a partir de este
estudio entre las que tenemos:
Dispositivos del mismo tipo devolvieron respuestas de
audio coherentes así que una comparación al menos
cualitativa de sus lecturas es posible.
Los niveles de ruido medidos por teléfonos móviles pueden
variar de aquellos capturados por un sonómetro
profesional que se encuentra en la misma posición y esta
19
divergencia puede variar significativamente a través del
tiempo dependiendo de las señales de audio actuales.
La precisión de los niveles de ruido medidos se encuentra
influenciada por los pasos de procesamiento de la señal de
audio antes de ser grabada y también por la duración del
intervalo de tiempo en el que la señal es capturada.
El lenguaje específico para programar los dispositivos
puede influenciar en la precisión de los niveles de ruido
medidos ya que diferentes APIs pueden exponer datos de
audio a diferentes niveles de accesibilidad.
4.1.2 Noise Tube: Measuring and mapping noise pollution with
mobile phones
Maisonneuve, Stevens, Niessen y Steels en el 2009 desarrollaron un
estudio donde se generó ruido rosa a diferentes decibeles cada 5dB
desde 30dB hasta 105dB y los resultados fueron medidos en un Nokia
N95 con una memoria de 8G.
Utilizaron un sonómetro Voltcraft SL 100. Si bien este estudio no fue
algo extensivo fue el punto de partida de la aplicación NoiseTube, que
es hoy en día una de las aplicaciones de medición de ruido más
utilizadas a nivel global.
Después de utilizar una función inversa como factor de corrección de la
correlación entre las mediciones obtenidas con el sonómetro y las
producidas por el smartphone llegaron a una precisión final de +/- 4 dB
después de utilizar una función de corrección. De acuerdo al resultado
obtenido el smartphone utilizado puede ser usado en un intervalo de 35
a 100 dB.
20
4.1.3 Acoustics and the smartphone
Brown y Evans (2011) investigaron la precisión de las aplicaciones para
iOS: SignalScope Pro por Faberacoustical (2013) y Real Time Analyzer
por StudioSixDigital (2013) para un iPhone 3GS y su micrófono
incorporado. Niveles de ruido fueron medidos por las aplicaciones y se
compararon con las lecturas de un sonómetro calibrado profesional de
Tipo-1.
La medición se llevó a cabo en condiciones con fuentes de ruido del
mundo real. Se demostró que, a diferencia de SignalScope Pro por
Faberacoustical (2013), Real Time Analizer implementa una calibración
dependiente de la frecuencia con un impulso a bajas frecuencias para
compensar el filtro paso alto que se aplica por ejemplo en el micrófono
interno del iPhone 3GS.
Las diferencias entre las mediciones tomadas por las dos aplicaciones
fueron de menos de 4 dB(A) para las distintas fuentes de ruido.
También se llegó a la conclusión de que hay que tener cuidado en la
medición de los niveles de ruido por debajo de 40 dB (A), por encima de
80 dB(A) o con componentes de ruido de baja frecuencia.
En cuanto a la reverberación encontraron que el iPhone tiende a
calcular tiempos de reverberación más altos y hallaron una diferencia de
+/- 0.2 segundos entre los dos dispositivos y el sonómetro por lo que
llegaron a la conclusión de que un iPhone podría ser una herramienta
útil para estimaciones de tiempos de reverberación en campo. En su
estudio se cumplían la mayoría de normas de la Sección 5 de la IEC
61617-1 (Electroacoustics – Sound level meters – Part 1: Specifications)
aunque algunos requerimientos como las tolerancias máximas
electroacústicas permitidas y el rendimiento bajo diferentes condiciones
ambientales no se cumplieron.
En su trabajo se dice que potencialmente estas limitaciones podrían
solucionarse adicionando un micrófono compatible Clase 0 y un
preamplificador al smartphone.
21
Encontraron que el micrófono de un iPhone 3GS tiene un filtro que no
permite sondear frecuencias por debajo de 200 Hz (Faber Acoustical
LLC n.d.) Esto es debido a que se tomó en cuenta el rango de
frecuencias de las conversaciones humanas que va de 350Hz a 4800Hz
(American National Standards Institute, Inc. 1997)
En cuanto al límite superior de frecuencias que pueden ser percibidas
en los modelos iniciales de iPhone fue de 8000 Hz, sin embargo en
modelos más recientes llega hasta 48000Hz permitiendo un rango de
frecuencia mucho más amplio para la realización de las mediciones
(Studio Six Digital n.d.).
Una variedad de fuentes de sonido comunes fueron utilizadas para
comparar las mediciones realizadas por el sonómetro y las tomadas con
el smartphone: ruido de tráfico de una calle congestionada, ruido de un
compresor, niveles de ruido en una sala de juntas de una oficina
comercial. En la Tabla 2 se resumen los resultados obtenidos con las
diferentes fuentes de ruido.
Tabla 2. Diferencia en dB(A) entre las lecturas de sonómetro digital Tipo
1 y las de la aplicación SignalScope Pro instalado en un iPhone 3GS,
modificada de (Brown and Evans, 2011).
Fuente de ruido
Sonómetro tipo 1.
Niveles de ruido en
dB(A)
Aplicación Signal
Scope. Niveles de
ruido en dB(A)
Diferencia en dB(A)
Compresor 54.2 54.6 - 0.4
Oficina silenciosa –
ruido de servicios 49.6 45.8 3.8
Sala de juntas (145
m ³) – calle con
tráfico y ruido de
servicios
38.8
39.4 -0.6
Ruido de tráfico en
una carretera
(incluido pito,
encendido de motor)
75 72.2 2.8
Pito de carro a 3
metros 87.5 84 3,5
22
Las conclusiones de su trabajo fueron las siguientes:
El micrófono interno de un smartphone común tiene un
rango limitado de frecuencia que limita las condiciones
bajo las cuales los niveles de presión sonora son
realizados.
Se requiere una especial precaución con niveles debajo de
40 dB(A) y encima de 80 dB(A) y también con
componentes de frecuencia bajos.
Las mediciones de tiempo de reverberación con
smartphones iPhone proveen resultados comparables y
repetibles con los de un sonómetro profesional en la
mayoría de las circunstancias.
La conclusión final fue que las aplicaciones para medición
de ruido de iPhone no cumplen con estándares de
relevancia internacional y no pueden reemplazar a un
sonómetro profesional pero sí podrían llegar a ser una
herramienta útil para mediciones rápidas de campo cuando
el usuario comprende las limitaciones de los dispositivos.
4.1.4 Community memories for sustainable societies. The case of
environmental noise.
Uno de los trabajos más exhaustivos fue el realizado en el 2012 por
Stevens. En el mismo se revisaron tres aspectos de la calibración de la
aplicación NoiseTube:
1. Una calibración dependiente del modelo de teléfono,
2. Un algoritmo dependiente del nivel de ruido que no
dependa de la frecuencia
3. No es necesaria una calibración de campo.
En este trabajo se muestra que entre varios teléfonos móviles del
mismo modelo las variaciones en las mediciones fueron mínimas, lo
suficiente para validar el uso de una calibración dependiente del modelo
en vez de una calibración individual para cada dispositivo móvil.
23
Para revisar la estabilidad del micrófono a través del paso del tiempo se
realizaron mediciones con un espacio de cinco meses entre las mismas
con un solo teléfono móvil. Obtuvieron una diferencia de tan solo 0.29
dB(A) aunque se recomienda un intervalo mayor entre las mediciones y
más de un teléfono móvil. El trabajo realizado conllevó algunas
limitaciones como:
Las calibraciones fueron llevadas a cabo en un medio
ambiente controlado (laboratorio) con una sola fuente
artificial de ruido blanco.
Muy pocos dispositivos móviles fueron investigados
detalladamente.
Los investigadores realizaron pruebas en un laboratorio y también en
exteriores. El procedimiento de laboratorio consistía en la medición de
16 niveles de ruido blanco en un cuarto anecoico con un solo teléfono
móvil. Las mediciones conseguidas fueron luego comparadas con un
sistema de referencia.
Cabe mencionar que el algoritmo de calibración implementado fue
específico para el dispositivo utilizado. Este tipo de calibración siempre
será más preciso que uno basado en el modelo del teléfono en donde
un promedio de puntos de calibración son medidos con varios
dispositivos del mismo modelo.
Al final Stevens encontró un error absoluto promedio de 1 dB que se
reduce a 0.6 dB con niveles de ruido debajo de 100dB(A). Así mismo se
nota una degradación de la efectividad del algoritmo de calibración con
niveles superiores a 95 dB(A).
Para realizar un análisis de la respuesta de frecuencia de los teléfonos
se utilizaron 27 tonos entre 50 Hz y 20 kHz para niveles de sonido entre
60dB(A) y 90 dB(A). Al final concluyeron que los teléfonos calibrados no
cumplían los requerimientos de respuesta de frecuencia para un
sonómetro Clase2 que establece la norma IEC.2002 (IEC 61672-1 -
Electroacoustics - Sound level meters - Part 1: Specifications).
24
En cuanto a la investigación realizada en el mundo real la misma
consistía en mediciones de niveles de ruido durante una caminata de 81
minutos aproximadamente en una área urbana con un sonómetro
profesional tipo 2 y un teléfono móvil calibrado, la diferencia fue de
menos de 1dB(A) aunque en condiciones de vientos fuertes se
sobreestimaron las mediciones con 10 dB(A) aproximadamente,
además las aplicaciones no estaban utilizando las mismas métricas al
momento de realizar las mediciones.
4.1.5 Ear-Phone: A Context-Aware Noise Mapping using Smart
Phones
Rana et al. (2013) investigó los errores relacionados con mediciones
realizadas en espacios del mundo real con una aplicación móvil de
medición de ruido. Para ello se evaluaron los niveles de ruido obtenidos
por una aplicación creada por el autor en 4 diferentes ubicaciones del
teléfono móvil: llevado en la mano, dentro de los bolsillos del pantalón,
en un estuche llevado en la correa y en un bolso. Obtuvo una mejor
calidad de los datos con el teléfono llevado en la mano. Los niveles de
sonido equivalentes grabados en los bolsillos del pantalón y el bolso
tuvieron una gran desviación respecto a la fuente de referencia, razón
por la cual no fueron considerados útiles.
Un total de 10 participantes realizaron las mediciones con un
smartphone HTC ONE cada uno mientras mantenían el teléfono en los
diferentes contextos posibles, cada una de las mediciones realizadas
duró un minuto.
Se implemento además una calibración in situ, nos referimos a una
calibración donde se ve involucrado solo el smartphone que se utilizó
para las mediciones. Para ello utilizaron el software gratuito Audacity
para crear un tono de calibración el cual fue incluido luego en la misma
aplicación para medición de ruido.
25
Las conclusiones obtenidas fueron las siguientes:
La aplicación SLM (Sound Level Meter) tuvo una precisión
de ±2.7 dB(A) con el teléfono móvil llevado en la mano,
±3.1 dB(A) con el teléfono móvil en los bolsillos del
pantalón y ±4.1 dB(A) con el teléfono en un bolso.
La técnica de interpolación o regularización que ofreció
mayor precisión fue la de minimización 1-norm.
Usando experimentos se demostró que Ear-Phone puede
recuperar con alta precisión un mapa de ruido que
contiene hasta un 40% de muestras perdidas.
Los experimentos relacionados con la precisión de las
mediciones en varios contextos revelaron que solo los
datos tomados mientras se lleva el teléfono en la mano son
usables. En otros contextos como un bolso o en un bolsillo
del pantalón los niveles de ruido se ven afectados por
retrasos de tiempo o cambios de amplitud. El algoritmo de
clasificación propuesto pudo detectar al teléfono en la
mano con una precisión del 84%.
Es posible usar smartphones para aplicaciones de
monitores medioambientales como monitoreos de
contaminación acústica superando algunos desafíos como
intervalos de muestreo irregulares, variaciones de
calibración entre dispositivos y ubicación irregular de los
teléfonos móviles.
26
4.1.6 30 iPad Sound Measurement Apps Reviewed
Weber en el 2013 evaluó la exactitud de varias aplicaciones iOS SLM
(Sound Level Meter) con un iPad 4 y su micrófono incorporado. Los
niveles de ruido producidos por diversas fuentes de sonido fueron
medidos por las aplicaciones y comparados con las lecturas tomadas
por un sonómetro calibrado de tipo 2.
Para cada aplicación, se utilizó el ajuste de calibración por defecto:
4 tipos de fuentes de ruido fueron utilizadas (tonos puros de 1 kHz y 8
kHz, 30 segundos de grabación de sonido, y una explosión pregrabada)
se reprodujeron en un solo nivel de ruido.
Aunque el entorno de medición no es descrito detalladamente, se
sostiene que no fue llevado a cabo en un laboratorio acústico.
La evaluación de las mediciones muestra que apenas 3 de las 30
aplicaciones tienen resultados similares a los del nivel de sonido
medidos por un sonómetro. Entre las 30 aplicaciones, 13 aplicaciones
fueron consideradas inapropiadas lo que muestra la necesidad de un
procedimiento de calibración exhaustivo. A continuación en la Tabla 3
tenemos el resultado de las mediciones tomadas con las 3 mejores
aplicaciones y las obtenidas con el sonómetro profesional.
Tabla 3. Diferencia en dB entre las lecturas del sonómetro y los niveles
de ruido medidos por las 3 mejores aplicaciones para iOS, extraído de
SafetyAwakenings (2013).
27
4.1.7 Supplementary Material: Awareness and learning in
participatory noise sensing.
Wide Noise es otra aplicación evaluada en un estudio realizado
recientemente (Becker, et al., 2013).
En el mismo se realizaron en primera instancia actividades de
reclutamiento enviando mails durante 3 días consecutivos a los
asistentes de una conferencia realizada en febrero de 2012.
La evaluación comprendió básicamente dos fases:
1. Instalación e incentivo de uso de la aplicación
En el primer día de la conferencia se invitó a los
participantes a instalar la aplicación y probarla durante los
3 días siguientes.
La conferencia contó con la participación de
aproximadamente 170 delegados y durante este período, y
los días siguientes se realizaron un total de 42
instalaciones en dispositivos Android.
De los 42 usuarios, 24 realizaban la instalación de Wide
Noise por primera vez. Se realizaron 5263 mediciones
llevadas a cabo por 419 usuarios en un periodo de 5
semanas.
Además se realizó otro evento en Roma en una librería
visitada frecuentemente por universitarios con una gran
vida cultural nocturna, haciendo del mismo un lugar ideal
para probar la aplicación. El evento inicio a las 10:00 am
obteniéndose al final 688 mediciones realizadas por 18
usuarios incluyendo 15 miembros del público.
2. Pruebas técnicas aplicadas
Varias pruebas fueron realizadas en una cámara anecoica
para comprender las características técnicas de la
28
aplicación en conjunto con los dispositivos móviles. La
aplicación fue instalada en 6 diferentes teléfonos (iOS y
Android) que fueron montados en un pedestal que también
contenía un sonómetro calibrado de clase 2, ruido blanco
fue reproducido a través de los parlantes de una laptop
dentro de la cámara anecoica comenzando con 100 dB(A)
y decrementando en intervalos de 10dB(A) hasta llegar a
31dB(A). Los resultados sugirieron que las mediciones son
más precisas para los niveles de dB(A) más altos.
Para los niveles más bajos de ruido inclusive el sonómetro
variaba de la referencia. El rango efectivo de medición
parece estar entre 50dB(A) y 100 dB(A).El nivel promedio
de discrepancia de este rango fue de 6.05 dB(A). Cada
dispositivo tenía la misma tendencia que la referencia a
excepción de los 100dB(A) donde los niveles de ruido en la
mayoría de los casos eran subestimados por los
dispositivos.
Se utilizaron en total 6 modelos de dispositivos diferentes.
Notaron que hay muy pocas mediciones debajo de los
30dB(A) y encima de 100 dB(A). Esto es debido
mayormente a que los micrófonos de fábrica de los
smartphones no son lo suficientemente sensitivos. A
continuación en la Tabla 4 presentamos los resultados de
la evaluación realizada:
Tabla 4. Resultados obtenidos por Wide Noise en diferentes dispositivos
móviles en una cámara anecoica. Extraído de (Becker et al., 2013)
Sonómetro Clase 1 31
dB(A)
40
dB(A)
50
dB(A)
60
dB(A)
70
dB(A)
80
dB(A)
90
dB(A)
100
dB(A)
Sonómetro Clase 2 35.5 41.8 50.5 60 70 80 90 100
iPod Touch 50 56 64 74 83 93 90 96
iPhone 4 19 35 57 67 80 90 94 96
iPhone 3 42 34 51 64 73 85 93 107
HTC 57 57 60 66 73 88 93 99
HTC Explorer 24 51 61 65 74 89 93 99
Huawei Blaze 51 52 54 57 64 74 84 94
29
4.1.8 Evaluation of smartphone sound measurement applications
Un estudio publicado en marzo del 2014 reporta la precisión de algunas
aplicaciones de medición de sonido para smartphones y la factibilidad
de uso de las mismas para mediciones de ruido ocupacional (Kardous y
Shaw, 2014). En el mismo se evaluaron 10 aplicaciones para iOS y 4
para Android.
Se seleccionó una muestra representativa de los smartphones y tablets
más populares en el mercado hasta enero de 2013: iPhone 3GS,
iPhone 4S, iPhone 5, iPad cuarta generación, Samsung Galaxy S3,
Samsung Note, Samsung Focus, HTC One X y Motorola DROID RAZR.
Para seleccionar las aplicaciones fueron tomados en cuenta varios
parámetros, entre ellos la capacidad de calibrar el micrófono del
smartphone mediante la carga manual o digital de archivos y también la
capacidad de reportar y compartir datos con otros usuarios.
En la Tabla 5 se encuentra el listado de las aplicaciones para iOS
evaluadas y los resultados obtenidos. Además de estas se evaluaron 4
aplicaciones para Android: SPL Meter por AudioControl, deciBel Pro por
BSB Mobile Solutions, dB Sound Meter por Darren Gates y Noise Meter
por JINASYS.
Experimento realizado.
Para el montaje experimental se generó ruido rosa con un rango de
frecuencia de 20 Hz hasta 20 kHz, a niveles desde los 65 hasta los 95
dB con incrementos de 5 dB (7 diferentes niveles de ruido). El rango de
medición fue escogido para reflejar la mayoría de los diferentes niveles
de exposición de ruido ocupacional a los cuales se encuentran
expuestos los trabajadores de hoy en día. El orden de los dispositivos y
aplicaciones evaluadas fue aleatorio. Las mediciones fueron realizadas
en un cámara de ruido reverberante del NIOSH (National Institute for
Occupational Safety and Health). El uso de un campo de sonido difuso
aseguró que la ubicación y tamaño de los smartphones no influenciaran
en los resultados del estudio.
30
Resultados del estudio
Kardous y Shaw creen que la variabilidad en los resultados podría
deberse a que los iPad de 4ta generación e iPhone 5 se cambiaron a un
nuevo proveedor de micrófonos. Las diferencias podrían deberse
también a la introducción del nuevo sistema operativo iOS 6 que
permitió a los desarrolladores evitar el filtro pasa alto que degradaba la
calidad de las mediciones acústicas en iPhones más antiguos. Esto
permitió también a los usuarios de Apple conectar micrófonos externos
a través de la entrada de los auriculares, micrófonos de medición
omnidireccionales como el MicW i436 (Dumoulin, 2014) que cumple con
el estándar IEC 61672 para sonómetros de Clase 2.
Llegaron a una conclusión interesante en cuanto a los modelos de
dispositivos utilizados. El modelo antiguo iPhone 3Gs produjo los
mejores resultados para todas las aplicaciones y niveles de sonido (420
muestras) con una diferencia media de - 0.71 dB(A) entre las
mediciones tomadas por las aplicaciones y las obtenidas con un
micrófono de referencia.
Tabla 5. Diferencias medias en dB(A) entre las mediciones tomadas por
las aplicaciones móviles para iOS y los valores de referencia. Total de
Muestras: 168. Modificada de (Kardous y Shaw, 2014).
En cuanto a las aplicaciones para Android no tenían las mismas
características ni funcionalidades que las de iOS. Esto es
probablemente debido a que el usuario de Android normalmente busca
Aplicación Diferencia media dB(A)
Adv Decibel Meter 0.27
Decibel Meter Pro 0.27
iSPL Pro 0.25
Noise Hunter 0.27
NoiSee 0.25
Sound Level Meter 0.27
SoundMeter 0.12
(Real) SPL Meter 0.27
SPL Pro 0.11
SPLnFFT 0.25
31
siempre aplicaciones gratuitas o de bajo costo. Las pruebas realizadas
mostraron una gran variabilidad en las mediciones de la misma
aplicación en diferentes modelos de dispositivos, esto puede deberse a
que los dispositivos son construidos por distintos fabricantes y no existe
un acuerdo para usar micrófonos y otros componentes de audio en sus
dispositivos.
4.1.9 Noise map professional versus crowdsourced data
También recientemente se investigaron dos fenómenos básicos de
estudios llevados a cabo con smartphones comerciales para asegurar la
posibilidad de llevar a cabo monitores de ruido con este tipo de
dispositivos (Pődör y Révész, 2014). Para ello se llevaron a cabo dos
experimentos:
1. Comparar las mediciones de un equipo profesional y un
smartphone:
Un estudio profesional fue llevado a cabo en el 2012 en
Székesfehérvár con un sonómetro Brüel & Kjaer 2250
(Clase 1). Se llevo a cabo un estudio con smartphones un
año después utilizando smartphones Sony Xperia P y la
aplicación Sound Meter PRO:
Se repitió el estudio con condiciones similares en el mismo
día del calendario de la prueba realizada con el equipo
profesional. Además fueron realizadas en el mismo periodo
del día con un promedio de 15 segundos de medición de
51 ubicaciones especialmente en la parte interior de la
ciudad
2. Comparar las mediciones de dos diferentes
aplicaciones corriendo sobre el mismo modelo de
smartphone:
Se compararon las aplicaciones Sound Meter PRO (Smart
Tools co.) y Noise meter (JINASYS) corriendo en los
mismos modelos (Sony Xperia P) al mismo tiempo y
32
ubicación. Un minuto de mediciones continuas fueron
promediadas iniciando a las 6:00, 11:00, 14:00, 17:00 y
21:00 y repetido 7 veces con retrasos de 10 minutos
produciendo 35 mediciones paralelas. Horas pico y horas
no pico fueron incluidas. Los datos fueron obtenidos a 7
metros del eje de la línea de tráfico de la intersección más
congestionada en Gyula, Hungria.
Resultados
Existe una buena correlación entre las mediciones de un
equipo profesional y las de un smartphone aunque este
último muestra valores de dB más altos. El experimento
realizado con las dos aplicaciones sugiere que hay una
probable correlación positiva entre las mediciones
obtenidas por las dos aplicaciones aunque las desviación
de los valores fue de aproximadamente de 10-15 dB(A)
Conclusiones:
Las correlaciones encontradas sugieren que las
aplicaciones no pueden ser tan precisas como un
sonómetro profesional pero si pueden ayudar cuando se
trata de evaluar una situación de cambio de niveles de
ruido para realizar posibles planes de acción para evitar el
impacto de la contaminación sonora.
Quedó revelado que diferentes aplicaciones móviles
producen diferentes salidas. Existen muchas aplicaciones
pero según este estudio si se trata de monitores de tipo
colectivo todas las personas involucradas en el estudio
deberían usar la misma aplicación
33
4.2 Tabla 6. Comparativa de estudios de medición de niveles de ruido con smartphones y sonómetros profesionales
N° Nombre Smartphones Aplicación Área de
estudio
Condiciones
medioambientales y
de entorno
Sonómetro Otros elementos Rango
dB(A)
Pre
cis
ión
dB
(A)
Niv
el d
e C
on
oci
mie
nto
s
Niv
el
Rec
urs
os
Hard
ware
So
ftw
are
H
um
ano
s
1 On the Use of Sensor
Nodes and Mobile
Phones for the
Assessment of Noise
Pollution Levels in
Urban Environments
(Santini,Ostermaier,
Adelmann, 2009)
Nokia N95 8GB - Aplicación en
Python(PyS60)
- Aplicación en
Java (J2ME)
-Cuarto
silencioso
Condiciones térmicas
adecuadas
Extech
407740
Clase 2
- Laptop común
- Parlantes externos
de alta calidad
4 - 83 5 - 10
Med
io
Med
io
Baj
o
2 NoiseTube: Measuring
and mapping noise
pollution with mobile
phones (Maisonneuve,
Stevens, Niessen y
Steels, 2009)
Nokia N95 8GB NoiseTube -Vecindario
- Cámara
anecoica
No especificado Voltcraft SL
100
Clase 3
No necesarios 35 -100 ± 4
Med
io
Med
io
Baj
o
34
3 Acoustics and the
smartphone (Brown y
Evans, 2011)
Iphone 3GS SignalScope Pro
by Faber
Acoustical
- Calle transitada
-Compresor
- Oficinas
comerciales
- Aplauso ruidoso
- Cierre de un libro
grueso
- Ruido de pito,
freno, motor de un
auto
Respuesta a
frecuencias
bajas del micrófono
interno
Brüel and
Kjær 2250
- Audio Tools (Studio
Six Digital)
- SSP
4 - 102 ± 3.8
Med
io
Med
io
Baj
o
4 Community memories
for sustainable
societies.
The case of
environmental noise
(Stevens, 2012)
Nokia 5230 NoiseTube - Cámara
anecoica
- Vecindario de
Antwerp -
Belgica
Se tuvo precaución
con
condiciones
de vientos fuertes
CEM DT-
8852
Clase 2
-Generador de Ondas HP
Agilent 33120
- Generador de ruido
Brüel&Kjær Tipo 1405
- Amplificador Brüel&Kjær
Tipo 27006
- Micrófono Microtech
MK250
- Estación de adquisición
de datos LMS Scadas III
- PC con Software LMS
Test Lab y Audacity
30-105 +1
Med
io
Alto
Alto
35
5 Ear-Phone: A Context-
Aware Noise Mapping
using Smart Phones
(Rana,Chou,Bulusu,Ka
nhere y Hu, 2013)
Nokia N95
HP iPAQ 6965
Android HTC
One
Ear-Phone - Cuarto
silencioso
- Calle en hora
no pico
Se tomo en cuenta el
contexto
(ubicación del
teléfono): bolsillo del
pantalón, mano,
mochila
Center-322 - Java
- MySQL - - PHP
- Audacity
28 - 80 ±3
Med
io
Med
io
Med
io
6 30 iPad Sound
Measurement Apps
Reviewed (Weber,
2013 )
iPad 4 - SPLnFFT
- SoundMeter+
- SPL Meter y
otras 27 apps
(iPhone)
- Señales de tono
puro 1Khz y 8 kHz
- 30 segundo s de
grabación de
sonido
- Explosión
No se mencionan 3M/Quest
Modelo
2200 Tipo 2
Generador de
señales online
60-120 ±3
Baj
o
Baj
o
Baj
o
7 Supplementary
Material: Awareness
and learning in
participatory noise
sensing(Becker et al.,
2013)
iPod Touch
iPhone 4
iPhone 3
HTC
HTC Explorer
Huawei Blaze
WideNoise - Cámara
anecoica
- Zonas
aledañas al
aeropuerto de
Heathrow -
Londres
Condiciones de
medición no
controladas en 3
eventos públicos
- Sonómetro
Tipo 1
- Sonómetro
Tipo 2
No se menciona ningún
elemento aparte de los
smartphones,
sonómetros, la aplicación
móvil y la cámara anecoica
50 - 100 ± 6
Baj
o
Med
io
Med
io
36
8 Evaluation of
smartphone sound
measurement
applications
(Kardous y Shaw,
2014)
- Iphone 3GS
- iPhone 4S
- iPhone 5
- iPad 4ta Gen
- Samsung Galay S3
- Samsung Note
- Samsung Focus
- HTC One X
- Motorola DROID
RAZR
- Adv Decibel
Meter 2.0
- Decibel Meter
Pro 2.0.5
- iSPL Pro 1.1.4
- Noise Hunter
1.0.1
- NoiSee 1.0
- Sound Level
Meter 1.5
- SoundMeter
3.3.1
- (Real) SPL
Meter 1.0
- SPL Pro 3.6
- SPLnFFT 4.0
Cámara
reverberante
- Ambiente de ruido
controlado:
temperatura,
humedad,
estabilidad del
micrófono
LarsonDavis
modelo
831 tipo 1
- Parlante de dos vías
JBL XRX715
- Micrófono Larson -
Davis modelo 2259
- Pistofono 42AP
65 - 95 ±2
Baj
o
Alto
Baj
o
9 Noise map
professional versus
crowdsourced data
( Pődör y Révész,
2014)
Sony Xperia P Sound Meter
PRO
Noise meter
Intersección
más
transitada en
Gyula,
Hungria
- Condiciones de
tráfico (horas pico y
horas no pico)
- Horario de las
mediciones
Bruel &
Kjaer 2250
Clase 1
No se mencionan
otros elementos
aparte de los
smartphones
y el sonómetro
No
específica
do
10 - 15
Baj
o
Med
io
Med
io
37 37
4.3 Métodos de calibración de aplicaciones móviles para medición de
ruido sin utilización de sonómetros.
4.3.1 NoizCrowd: A Crowd-Based DataGathering and Management
System for Noise Level Data
NoizCrowd es otra aplicación para monitoreo de ruido donde se realiza
una colaboración abierta para evitar la necesidad de contar con un
sonómetro profesional para calibrar los smartphones (Wisniewski,
Demartini, Malatras, Cudré-Mauroux, 2013).
Componentes de NoizCrowd:
1. Aplicación móvil para smartphone.
2. Capa de almacenamiento escalable que maneja todas
las piezas de datos entregadas por los smartphones.
3. Capa de modelado de alto nivel capaz de generar
continuamente modelos de datos esparcidos recogidos por
la ciudadadanía.
4. Capa de exportación y visualización como interfaz con
los usuarios finales y soporte en la toma de decisiones.
Ventajas de NoizCrowd.
1. Permite que cualquier usuario móvil reporte niveles de
ruido a cualquier hora y lugar.
2. Genera y maneja datos a larga escala cubriendo
diferentes regiones e intervalos de tiempo.
3. Soporte al usuario final al responder peticiones de
análisis de datos de niveles de ruido.
38 38
El método consiste en compartir tablas de conversión de los valores
medidos por el teléfono y los obtenidos por un sonómetro profesional,
estas tablas fueron luego compartidas entre usuarios que poseen el
mismo modelo de smartphone.
Además, se desarrolló un algoritmo donde se seleccionan los valores
más votados en tablas de conversión donde varios participantes
registraban diferentes valores para un mismo nivel de sonido dado.
Se utilizaron modelos de interpolación temporal buscando patrones
repetitivos: por ejemplo si cada lunes a las 11:00 am el nivel de ruido
para un área dada es de 50dB(A) y si no hay ninguna medición el
último lunes se puede asumir que existe una alta probabilidad de que el
valor perdido sea de 50dB(A). Otro ejemplo es que si hace dos horas se
obtuvo un valor y se obtiene el mismo ahora la interpolación de esos
dos valores podría conducir a buenos resultados.
Para validar los modelos de interpolación se realizaron 30 pruebas en
exteriores, 10 veces utilizando 2 smartphones simultáneamente, 10
veces con 3 smartphones y 10 veces con 4 smartphones.
La ubicación de los smartphones fue seleccionada aleatoriamente en
una región plana de 50m². Se eligió un barrio relativamente ocupado
con niveles de ruido relativamente constantes y tomaron los valores
reales de niveles de ruido que trataron de interpolar con los
smartphones y su modelo.
Para probar la disipación de sonido y los enfoques de las fuentes de
localización eligieron una fuente de sonido en un campo de béisbol de
60m² cubierta de nieve para evitar reverberación. La fuente de sonido
fue ubicada en una esquina del campo y luego se midieron los niveles
de ruido en el área usando la aplicación y tres smartphones. En la
Figura 2 se muestran los resultados.
39 39
Figura 2.Mediciones realizadas con NoizCrowd en el espacio usando 3
smartphones y una fuente de sonido de 100 dB. Extraída de
(Wisniewski,Demartini,Malatras y Cudré-Mauroux,2013).
Normalmente los valores deberían disminuir de manera constante a
medida que se aleja de la fuente de ruido pero este no fue el caso dado
que las mediciones se realizaron a campo abierto durante varios
minutos utilizando diferentes smartphones. Entonces se tuvo también en
cuenta la propagación del sonido y la localización de la fuente.
Se realizaron 10 pruebas utilizando 3 mediciones aleatorias, 10
utilizando 4 y 10 utilizando 5. Para resumir se obtuvieron los siguientes
resultados: el error en los valores de niveles de ruido determinado por la
disipación del sonido y nuestras mediciones con smartphones
disminuye constantemente con el número de mediciones disponibles.
En promedio el error es de 16% para 3 mediciones disponibles, 10%
con 4 mediciones disponibles y 9% con 5 mediciones. La localización
del sonido se realizó de buena forma siendo capaz de localizar la fuente
en un radio de aproximadamente 3 metros.
En resumen se obtuvieron los siguientes resultados: 85% de los datos
interpolados tuvieron un error de menos de 6 dB(A) de los valores
reales, un 63% de esos valores dentro de 4 dB(A) o menos. Los
resultados obtenidos fueron muy prometedores dado el entorno elegido
y los pocos valores registrados.
40 40
4.3.2 DDNM: Monitoring Environment Noise using Smart Phones
En el 2013 se llevo a cabo el desarrollo del sistema denominado DDMN
(Day Day Noise Monitor) para teléfonos Android (Yao, Yang, Zhang, Hu
y Liang). DDNM está basado en smartphones y la participación del
público, puede ser implementado para crear una plataforma abierta y de
bajo consto para simular mapas de ruido en tiempo real. Fue
implementado en smartphones HTC G18 8G y Huawei C8812E 4G. Los
componentes principales del sistema son:
Componente de monitoreo de ruido.
Su principal función es recolectar las señales de audio e
intercambiar datos con el servidor central a través de la
red.
Puede ser dividido dentro de 3 módulos: Módulo de
compilación de señales, módulo de procesamiento y
módulo de almacenamiento. El módulo de compilación de
señales incluye información de la ubicación mediante un
GPS o red, un micrófono y el reloj del sistema.
La función principal del módulo de procesamiento es
evaluar cuantitativamente el ruido medioambiental.
Los niveles de presión sonora, niveles de potencia acústica
de una fuente de sonido pueden ser medidos en un punto
específico mediante la ecuación (1).
𝐿𝑝 = 10 log𝑝2
𝑝02 (1)
Donde 𝐿𝑝 es el nivel de presión sonora (dB); 𝑝 es la
presión del sonido (Pa); 𝑝0 es la presión del sonido de
referencia,
2 *10−5 Pa, es el valor de presión sonora más bajo que el
oído humano puede escuchar.
41 41
El oído no se comporta de la misma forma para el mismo nivel de
presión en diferentes frecuencias. Por ejemplo tomemos un sonido
lineal en toda la banda de 20 Hz a 20 kHz, tenemos en todas las bandas
un nivel de 35 dB, si la sensibilidad de nuestro oido fuese lineal oiríamos
igual o mejor con la misma intensidad auditiva las frecuencias más
bajas, que las medias y que las agudas.
Sin embargo esto no es cierto. Es necesario entonces una forma de
ajustar los niveles de dB que hemos medido con la percepción que el
oído tiene de los mismos según cada frecuencia. Para lograr esto se
utiliza la ponderacion A expresada como dBA o dB(A). Para calcular los
niveles de presión sonara se necesita conocer la frecuencia de la señal
de audio. Para esto DDMN utilizó una transformada rápida de Fourier
para extraer la amplitud y frecuencia de las señales de audio.
Componente de visualización de mapas.
Este proveee principalmente 4 servicios:
1. Localizar la ubicación actual del usuario cuando el
smartphone haya abierto su GPS o sus servicios de red.
2. Mostrar un mapa con las diferentes regions alrededor del
usuario.
3. Proveer funciones de busqueda dentro del mapa
visualizado.
4. Descargar los últimos datos de contaminación acústica
desde el servidor central.
Para proteger a los usuarios que utilizan 3G se ofreció la posibilidad de
descargar paquetes de mapas offline mediante conexiones WiFi. Desde
luego los usuarios pueden también descargar los datos a su
computadora y desde ahí introducirlos en su smartphone.
42 42
Conclusiones:
Con DDMN se puede desarrollar una red de
monitoreo de contaminación acústica que facilite a
los ciudadanos, entidades gubernamentales y
organizaciones tomar acciones en contra del
creciente problema de la contaminación acústica.
En comparación con otras técnicas encontradas en
el estado del arte sobre técnicas para monitores de
ruido y sistemas de visualización de mapas, DDMN
tiene un costo muy bajo y solamente necesita la
participación del público.
4.3.3 Creating Noise Pollution Maps Based on User-generated
Noise Data
En el año 2013 Schulz, Janssen, Karolus y Schweizer llevaron a cabo el
desarrollo de un sistema denominado MINI (Mashup for Identifying
Noisy Infrastructure) el cual muestra como grandes cantidades de datos
generadas por usuarios en conjunto con información externa sobre
áreas urbanas como información acerca de edificios o calles cercanas y
datos sobre el clima pueden ser usados para crear mapas de
contaminación acústica para diferentes ciudades.
La recolección de datos en ambientes participativos se lleva
mayoritariamente de manera descontrolada. Las muestras de ruido se
encuentran aleatoriamente distribuidas en espacio y tiempo. Además las
mediciones podrían ser imprecisas por la poca cantidad de datos en
ubicaciones específicas. En este caso es necesario interpolar los
niveles de ruido en un área dada. Con el prototipo MINI creado se
muestra como una máquina de aprendizaje puede ser levantada para
clasificar niveles de ruido en regiones previamente no monitoreadas.
Se usaron grandes cantidades de datos de ruido generadas por
usuarios y datos externos de diferentes fuentes de sonido para entrenar
43 43
al clasificador. El modelo resultante puede entonces ser aplicado en
diferentes ciudades, usando conocimiento sobre el área local urbana.
De esta manera se vuelva fácil la creación de un mapa de ruido con alta
exactitud.
Basado en el modelo resultante los niveles de ruido pueden ser
predichos para cierto punto de interés (POI) y pueden ser visualizados
en un mapa por ejemplo. Para el prototipo creado se utilizaron datos
obtenidos en la ciudad de Darmstadt, Alemania y se aplicó el modelo
final en la ciudad de Montpellier, Francia.
Para la clasificación se decidió usar un clasificador de árbol de decisión
para una clasificación más rápida que en este caso es más importante
que un entrenamiento rápido. Además los arboles de decisión
interpretaron fácilmente los modelos aprendidos. Se uso el algoritmo
“C4.5” utilizado por Maisonneuve, Stevens y Ochab en el 2010. Para el
entrenamiento se utilizaron 75.884 instancias de ruido logrando
diferenciar 6 diferentes niveles de ruido con una precisión del 80.8%.
Conclusiones:
Se realizo un primer vistazo a como los datos generados
por usuarios y la información externa sobre áreas
urbanas pueden ser combinados para crear un mapa de
contaminación acústica.
Comparados con otros acercamientos fueron capaces
de generar mapas de ruido en tiempo real y con alta
precisión.
44 44
4.3.4 Methods for sensing urban noise
Uno de los estudios más recientes fue el realizado en este año por Liu
et al. en Manhattan – New York. Se realizaron mediciones en 36
ubicaciones de las cuales 24 fueron evaluadas durante el día y las 12
restantes por la noche.
Utilizaron mediciones consecutivas realizadas por el mismo teléfono por
los distintos usuarios los cuales podían recorrer 6 rutas posibles. Este
método normalmente ligero y rápido se utiliza cuando solo se necesita
evaluar los rankings de ruido entre diferentes locaciones.
De acuerdo a un estudio realizado las mediciones de ruido tomadas con
smartphones y el ruido real tienen una relación lineal. De esa manera
las mediciones del mismo teléfono pueden mostrar el ranking relativo
entre los niveles de ruido de diferentes ubicaciones, inclusive si un
teléfono móvil no se encuentra calibrado. (Liu y Zhu, 2014).
Para mejorar la calidad de las mediciones tomadas utilizaron un
algoritmo de autocalibración utilizado por los mismos Liu y Zhu. El
mismo utiliza una función lineal para modelar la relación entre las
mediciones del teléfono y los valores reales como se muestra en la
Ecuación (2).
𝑅 = 𝛼𝑀 + 𝛽 + 𝜀 (2)
Donde 𝑅 y 𝑀 representan valores reales y mediciones del teléfono
respectivamente; 𝛼 y 𝛽 son coeficientes indeterminados; 𝜀 es el error
aleatorio. 𝛼 y 𝛽 pueden ser estimados automáticamente basándose en
los niveles de ruido recogidos en un medioambiente interior silencioso.
4.3.5 A comparative study on VGI and professional noise data
Uno de los estudios más recientes fue presentado en junio de este año
en AGILE 2014 (International Conference on Geographic Information
Science) por Garcia-Marti, Torres-Sospedra, Rodríguez-Pupo y Huerta.
45 45
En el mismo se dice que el crowdsourcing es una de efectiva
herramienta de monitoreo ambiental (Haklay y Weber, 2008). Con esta
técnica los ciudadanos pueden producir información geográfica a muy
bajo costo. Usando VGI (Volunteered Geographic Information) somos
capaces de de extraer mucha información de una ciudad con la
colaboración de los propios ciudadanos.
Colección de datos de los voluntarios: fue obtenida en una ‘mapping
party’ en el campus de la Universidad Jaume I con miembros del grupo
GEOTEC. Los datos fueron recolectados en la parte central del campus
que comprende 3 facultades, el acceso principal y el jardín central con
un área total de 285 km². Dentro de esta área los participantes
realizaron mediciones en 30 locaciones predefinidas. Se escogieron las
mismas ubicaciones que las escogidas por una compañía profesional
para generar mapas que fueran posibles de comparar. Un total de 12
participantes llevaron a cabo esta actividad el 25 de Octubre de 2013
entre las 9 y 11 de la mañana. Un total de 581 muestras de ruido fueron
obtenidas en la ‘mapping party’. En la Tabla 7 se muestra un resumen
de los modelos de dispositivos utilizados y el número de muestras
tomadas por los mismos.
Tabla 7. Dispositivos usados para mapeo de ruido y número de
muestras tomadas. Extraído de (Garcia-Martí, Torres-Sospedra,
Rodríguez-Pupo y Huerta, 2014).
Modelo
smartphone
Número de
dispositivos
Número de
muestras tomadas
LG Nexus 4 4 282
HTC One 1 35
HTC Wildfire S 1 67
Samsung Galaxy S4 1 31
Samsung Galaxy S3 1 112
Samsung Galaxy S2 1 1
Samsung Galaxy Ace 2 1 29
Sony Xperia S 1 21
Celkon A27 1 3
46 46
Colecciones de datos profesionales: Cada cuatro años una compañía
privada lleva a cabo un estudio de polución en el campus. En el 2012
este estudio fue realizado por tercera vez utilizando la misma
metodología. Las mediciones fueron realizadas durante el día durante la
mayoría de actividades humanas ocurren. El campus fue monitoreado
siguiendo el patrón de una grilla para asegurar una distribución de datos
uniforme.
En cada nodo el sonómetro fue expuesto a la contaminación acústica
durante 5 minutos. Este tipo de mediciones profesional considera
aspectos como duración de los muestreos, efectos del viento, distancia
con edificios cercanos y previene o descarta las mediciones con este
tipo de condiciones.
Pruebas entre diferentes modelos.
Se llevaron a cabo pruebas para dos modelos particulares LG Nexus 4 y
Samsung Galaxy S4. El primero que produjo la tercera parte de las
muestras al poseer 4 dispositivos y el segundo por la gran capacidad de
su hardware. Al final se encontró que el LG Nexus 4 sobreestimaba las
mediciones con una diferencia de 7dB a 9 dB. En cuanto al Samsung
Galaxy S4 se encontró que en algunos sectores sobreestimaba los
niveles de ruido con una diferencia de 6dB a 14 dB.
Limitaciones del estudio.
El estudio realizado tuvo básicamente dos limitaciones:
El tiempo de muestro que fue de tan solo algunos
segundos y probablemente no es suficiente para proveer
resultados altamente precisos.
No se consideraron fuentes de atenuación de ruido como
el esparcimiento geométrico del ruido, barreras físicas y
tampoco se utilizó ningún modelo de propagación de ruido.
Conclusiones del trabajo:
Las mediciones individuales realizadas con los dispositivos
no parecen muy confiables sin embargo se logran
47 47
resultados aceptables cuando se combinan todos los
mapas obtenidos con los diferentes dispositivos en el
experimento.
En general considerando el rango de 50dB a 63 dB para
sonómetros profesionales y el rango de 52 dB a 65 dB se
considera que el monitoreo a través de dispositivos
móviles está mostrando resultados prometedores.
Los datos obtenidos por un VGI pueden ser suficientes
para múltiples situaciones diarias como la medición de
niveles de ruido en áreas de recreación como parques o
plazas y también para la detección temprana de problemas
relacionados con el ruido como el alto tráfico en un área
residencial.
48
4.4 Tabla 8. Comparativa de estudios de medición de niveles de ruido con smartphones sin la utilizaron de sonómetros profesionales.
Nº Nombre Smartphones Aplicaciones Area de estudio
Condiciones
ambientales
y de entorno
Otros
elementos
Rango
dB(A)
Pre
cisi
ón
dB
(A)
o %
Niv
el
Co
no
cim
ien
tos Nivel
Recursos
Har
dw
are
So
ftw
are
Hu
man
os
1 NoizCrowd: A Crowd-
Based Data Gathering
and Management System
for Noise Level Data
(Wisniewski,Demartini,Mal
atras y Cudré-
Mauroux,2013)
3 smartphones:
modelos no
especificados
NoizCrowd(iOS) - Medio ambiente
controlado
- Campo de beisbol
Se tomaron en
cuenta condiciones
meteorológicas
incluyendo efectos
del viento y la
temperatura
ambiente
- SciDB
Map API
45-65 4 - 6
Baj
o
Baj
o
Baj
o
49
2 DDNM: Monitoring
Environment Noise using
Smart Phones
(Yao, Yang, Zhang, Hu y
Liang, 2013)
- HTC G18 8G
- HuaWei C8812E
4G
DDMN (Android
4.0 - Android 4.2)
- Campus Norte
University of
Geosciences (231,3
Km²)
- Carretera 'Lu Mo' 1.4
Km 8 sitios incluyendo
un supermercado,
acceso a un colegio,
intersecciones y una
estación de bus
- Las mediciones en
el campus se
realizaron un lunes al
medio día justo
después de las
actividades
académicas
- Para las mediciones
en la carretera se
seleccionaron dos
intervalos de
tiempo : 6:00-7:00
am y 13:00-14:00
pm
- Visual
C++ 6.0
- SQL
Server
2008
- SQLite
30-80 No
evalua
doa
Baj
o
Med
io
Med
io
3 Creating Noise Pollution
Maps Based on User-
generated Noise Data
(Schulz, Janssen, Karolus
y Schweizer, 2013)
No especificado MINI (Mashup for
Identifying Noisy
Infrastructure)
Caminos y
autopistas
Se tomaron en
cuenta condiciones
como duración del
amanecer, cantidad
de precipitaciones y
temperatura
LinkedGe
oData
OpenStre
etMap
40 -
120
80.80%
Baj
o
Baj
o
Baj
o
50
4 Methods for sensing urban
noise (Liu ,Zheng, Liu, Liu
y Zhu, 2014)
Samsung GALAXY
Note I
Aplicación Android
no especificada
Calles de
Manhattan - New York
Se tomó en cuenta
el:
- Horario del día de
las mediciones
- Localizaciones con
mayor número de
quejas sobre ruido
ArcMap
10.2
55-85 No
evalua
da
Baj
o
Baj
o
Alto
5 A comparative study on
VGI and professional noise
data
(Garcia-Marti, Torres-
Sospedra, Rodriguez Pupo
y Huerta, 2014)
- LG Nexus 4
- HTC One
- HTC Wildfire S
- Samsung Galaxy
S4
- Samsung Galaxy
S3
- Samsung Galaxy
S2
- Samsung Galaxy
Ace 2
- Sony Xperia S
- Celkon A27
NoiseBattle Campus Universidad
de Jaume I (Grupo
GEOTEC )
No se tomaron en
cuenta condiciones
climáticas, efectos de
'screening'
ArcMap
10.2
50-65 6 - 14
Baj
o
Baj
o
Med
io
51 51
5. Conclusiones.
Este trabajo se ha enfocado en métodos de calibración para aplicaciones de
medición de ruido.
Se ha realizado la documentación de métodos de calibración de
aplicaciones en smartphones para monitoreo del ruido, evaluándolos
además de una manera cualitativa.
Se puede concluir que en los últimos tiempos se han realizado estudios
satisfactorios de niveles de ruido utilizando smartphones alcanzando una
precisión aceptable tratándose de dispositivos que no han sido diseñados
específicamente para este propósito. Sin embargo si se trata de monitoreos
rápidos y exploratorios que puedan ayudar a evaluar los niveles de ruido, es
posible reemplazar equipos costosos de medición por smartphones que
poseen valores accesibles para cualquier usuario.
De la revisión realizada se puede observar que existen algunos métodos de
calibración que necesitan un mayor nivel de conocimientos mientras tanto
otros simplemente siguen lo que podría llamarse una “receta de calibración”.
En la mayoría de estudios se analiza el nivel de correlación existente entre
los valores medidos con la aplicación y los valores obtenidos con el equipo
profesional aunque existen también otros trabajos en donde se realiza una
calibración colaborativa (Xiao, et al., 2012) o también la realizada en el 2013
donde se presenta el diseño, implementación y resultados de pruebas
preliminares de un DDMN (Day Day Noise Monitor) basado en smartphones
y la participación del público desarrollado en una plataforma abierta
(Yao,Yang,Zhang,Hu,Liang, 2013).
De los estudios revisados se puede también observar que la calidad de las
mediciones de ruido realizadas con aplicaciones móviles depende no solo
del software y hardware de los dispositivos empleados sino también de
factores de entorno y medioambientales, entrenamiento de los usuarios que
usan las aplicaciones y por supuesto en la cantidad y la variabilidad de las
muestras realizadas in situ.
52 52
6. Recomendaciones.
Para facilitar las recomendaciones nos referiremos a los métodos por su N°
dentro de la tabla comparativa.
6.1 Recomendaciones para métodos que utilizan sonómetros.
De acuerdo al entorno en que nos encontremos, el medio donde queramos
desarrollar un monitoreo de ruido, la precisión deseada y las características
ambientales presentes sería muy difícil recomendar un solo método, sin
embargo de acuerdo a nuestra tabla el método más apropiado seria el del
estudio N° 5 pues representa niveles medios en las 3 categorías de los
criterios o parámetros de selección y además se obtiene una gran precisión
en las mediciones:
6.1.1. Recomendación según Nivel de conocimientos.
Como se puede observar en la tabla existen algunos estudios cuyo
nivel del conocimiento necesario es Bajo sin embargo sería factible
elegir además alguno que tenga una precisión aceptable. Siguiendo
este criterio de selección se podría elegir entre los métodos
realizados en los estudios N° 7 y N° 8.
6.1.2. Recomendaciones según Nivel de Recursos (Hardware y
Software).
Indudablemente el estudio que realiza el menor gasto de recursos
de hardware y software es el N° 6 pues inclusive para la generación
de señales de prueba se utilizan generadores de tonos on-line.
Aunque este método es muy económico a la vez no es tan preciso.
Podría más bien elegirse un método que represente un gasto
intermedio pero que proporcione resultados más precisos que uno
económico. De los estudios revisados los mismos podrían ser N° 2,
N°3 o N° 5.
53 53
6.1.3. Recomendaciones según Nivel de recursos Humanos.
En realidad es muy complicado recomendar un estudio optimo en
cuanto a recursos humanos pues depende de la superficie total que
queramos estudiar, tiempo disponible para la realización de las
mediciones, medios de incentivo que recibe la gente que realiza las
mediciones, etc. En muchos de los artículos revisados se dice el
número exacto de participantes que intervinieron mientras en otros
no se lo menciona sin embargo hemos asignado un valor de acuerdo
al equipo de hardware y software que necesita el estudio para según
eso asignar un número de personal aproximado que puedan
manipular estos instrumentos de medición. De acuerdo a esto se
podría elegir entre los estudios N° 2, N° 3, N° 6 o N°8.
6.2 Recomendaciones para métodos que no utilizan sonómetros.
6.2.1 Recomendación según Nivel de conocimientos.
Se podría elegir cualquiera de los métodos en los 5 estudios
revisados ya que en ninguno de ellos se necesitan poseer
conocimientos avanzados
6.2.2 Recomendación según Nivel de Recursos (Hardware y
Software).
En cuanto al nivel de recursos en realidad ninguno de los estudios
revisados requirió una alta inversión en cuanto a equipos pero
recomiendo el N° 3 que utiliza un entorno web accesible en
cualquier lugar, además el sistema ofrece la opción de descargar
datos mediante redes WIFI sin la utilización de recursos de red
propios de los smartphones como la utilización de la red 3G.
6.2.3 Recomendación según Nivel de Recursos Humanos.
Según el criterio de personal necesario se podría elegir cualquiera de
los métodos ya que todos los participantes fueron voluntarios o se
utilizaron conjuntos de datos ya recogidos en estudios anteriores,
sin embargo los estudios donde se pudo observar que no se
necesita un alto nivel de recursos humanos fueron el N°1 y el N°
3.
54 54
6.3 Recomendaciones para obtener mediciones de calidad
A parte de las recomendaciones anteriores he realizado un compendio
de recomendaciones generales a partir de todos los estudios revisados.
Estas recomendaciones están enfocadas sobre todo para usuarios
inexpertos y que no poseen instrumentos profesionales de medición
acústica.
6.3.1 Entrenamiento.
Se podrían disponer de aplicaciones consideradas muy precisas ya
evaluadas en estudios anteriores pero si los usuarios implicados en las
mediciones no están familiarizados con la aplicación y menos con la
calibración del mismo difícilmente obtendremos mediciones de calidad.
Por eso es importante proveer al usuario de información suficiente para
que pueda ser un colaborador eficiente dentro de un estudio de niveles
de ruido o simplemente quiera conocer más acerca de su entorno pero
con un buen nivel de precisión. Normalmente los usuarios no conocen
que las aplicaciones para medición de niveles de ruido que poseen solo
vinieron con una calibración de fábrica probada para tan solo un
pequeño grupo de modelos de smartphones.
6.3.2 Elegir smartphones con características de sus micrófonos
detallados.
Si bien en la mayoría de teléfonos la única manera de conocer el
fabricante y características de su micrófono interno es desmontando el
mismo, existen otros donde si se detallan las mismas. Ya que la calidad
del micrófono es imprescindible en estos casos, ganaríamos mucho si
supiéramos las propiedades exactas del mismo.
6.3.3 Elegir smartphones con hardware similares.
Esta recomendación se da por cuanto la mayoría de teléfonos sobre
todo los que utilizan Android poseen micrófonos internos elaborados por
diversos fabricantes motivo por el cual modelos de teléfonos similares
podrían obtener mediciones muy poco parecidas. No pasa lo mismo con
teléfonos de Apple ya que normalmente en la mayoría de los casos
todos sus micrófonos internos son elaborados por el mismo fabricante.
Esto se evidencia también en que gran parte de los estudios aquí
revisados sobre aplicaciones para medición de niveles de ruido que
utilizaron un iPhone o un iPad obtuvieron mediciones más cercanas a
55 55
las obtenidas con un sonómetro profesional que aquellas instaladas en
dispositivos que utilizaban Android.
6.3.4 Características medioambientales.
Es evidente que para lograr mediciones que no sean sesgadas se
deben elegir siempre condiciones climáticas que no sean extremas
como pueden ser lluvias fuertes, vientos huracanados o inclusive
condiciones de alta humedad que pueden interferir con las
características electroestáticas de algunos micrófonos pertenecientes a
smartphones
6.3.5 Rango de decibeles y Frecuencias Bajas.
En la mayoría de estudios se puede ver que existen algunas
distorsiones cuando se miden niveles de ruido menores a 30dB(A) y
valores que rondan los 100 dB(A), esto es debido a una protección
intrínseca existente en los teléfonos que supuestamente van en
beneficio de precautelar el hardware de los mismos. También podemos
observar complicaciones al evaluar niveles de ruido que poseen una
baja frecuencia. Recomendamos tener cuidado al evaluar niveles de
ruido que contengan una de la características antes mencionadas,
aunque en realidad esto no debería traernos problemas pues para
realizar estudios de niveles de ruido normalmente se evalúan niveles de
ruido molestos, normalmente con niveles de frecuencia altos.
6.3.6 Precisión de los datos.
En la mayoría de estudios revisados se compensaba la imprecisión de
las aplicaciones con un mayor número de muestras tomadas en la
misma ubicación. Para lograr esto debemos tener rutas preestablecidas
para que en el caso que un usuario realiza mal una medición el
siguiente compense el error producido en la misma. De la misma
manera en los estudios realizados se pudo observar que con un mayor
número de muestras se obtienen mejores resultados inclusive si la
aplicación móvil de monitoreo de ruido no es considerada muy precisa.
56 56
6.3.7 Características del entorno.
No solo las características medioambientales influyen en una correcta
toma de datos de niveles de ruido. Existen otras características que
también pueden influir como el material del que está hecho el piso y el
techo donde se realizan las mediciones, presencia de vehículos, motos,
camiones, personas conversando alrededor, ruido producido por
sistemas de enfriamiento o climatización. Lo que se recomienda hacer si
no se poseen cuartos anecoicos o reverberantes, es decir cuando no se
poseen los recursos para obtener entornos controlados se deben buscar
locaciones con niveles de ruido constantes como es el caso de una
pileta. Se deben elegir lugares donde normalmente no haya cambios
intempestivos ascendentes o descendentes en los niveles de ruido.
6.3.8 Modelos de teléfonos actuales.
No necesariamente poseer teléfonos de cuarta generación nos asegura
la obtención de mediciones de alta calidad como podemos revisar en la
tabla de resultados. Inclusive algunos modelos nuevos de teléfonos no
pueden detectar sonidos a ciertos niveles bajos de frecuencias como si
lo hacían ejemplares anteriores. Esto puede ser debido a que los
nuevos teléfonos móviles agregan filtros en la entrada de audio para
mejorar la calidad de las conversaciones, también puede deberse a
cambios en el proveedor del micrófono de los teléfonos o por cambios
producidos en el sistema operativo de los teléfonos.
En futuras investigaciones podrían realizarse evaluaciones cuantitativas
por ejemplo de la precisión de los métodos de calibración aquí
mencionados, sobre todo de aquellos que no implican un alto costo de
desarrollo.
También podría llevarse a cabo una comparativa respecto al esfuerzo
necesario, es decir el tiempo que les tomó a las personas que
intervinieron en los estudios realizar las mediciones ya que en nuestro
trabajo se revisó solo el total aproximado de personal que fue necesario
57 57
REFERENCIAS.
American National Standards Institute, Inc. 1997, Methods for Calculation of the
Speech Intelligibility Index, ANSI S3.5-1997, American National Standards
Institute, Inc
ANSI. 1983. ANSI S1.4-1983. American national standard specifications for sound
level meters.
ANSI. 2007a.ANSI S1.25-1991. Specifications for Personal Noise Dosimeters.
ANSI. 2007b.ANSI S1.43-1997. American national standard specifications for
integrating averaging sound level meters.
Becker M, Caminiti S, Fiorella D, Francis L, Gravino P, et al. . (2013). Awareness
and Learning in Participatory Noise Sensing. PLoS ONE 8(12): e81638.
Recuperado en Agosto 2, 2014 DOI:10.1371/journal.pone.0081638
Brown, R. y Evans L. (2011). Acoustics and the smartphone. Paper presentado
en Proceedings of ACOUSTICS 2011, Gold Coast, Australia. Recuperado en
Agosto 26, 2014 de
http://www.acoustics.asn.au/conference_proceedings/AAS2011/papers/p106
Campbell, A.; Choudhury, T. (2012), From Smart to Cognitive Phones, Pervasive
Computing, IEEE, Recuperado en Agosto 16, 2014
DOI: 10.1109/MPRV.2012.41
Campbell A., Eisenman S., Lane N., Miluzzo E. y Peterson R. (2006). People -
centric urban sensing. En 2nd annual international workshop on Wireless
internet (WICON '06). ACM, New York, NY, USA, Article 18.
DOI=10.1145/1234161.1234179 Recuperado en Agosto 15, 2014 de
http://doi.acm.org/10.1145/1234161.1234179
58 58
Dumoulin, Romain (2014). On the use of mobile phones and wearable microphones
for noise exposure measurements: calibration and measurement accuracy.
Recuperado en Agosto 26,2014 de
http://espaceetsmtl.ca/1320/1/DUMOULIN_Romain-web.pdf
Efstratiou, C. (2012). Mobile Phone Sensing. Recuperado en Agosto 15, 2014, de
http://www.cl.cam.ac.uk/teaching//1112/MobSensSys/mobile-lecture8.pdf
Estrin D. ( 2010). Participatory sensing: applications and architecture. En 8th
international conference on Mobile systems, applications, and services
(MobiSys '10). ACM, New York, NY, USA, 3-4.
DOI=10.1145/1814433.1814435 Recuperado en Agosto 22, 2014 de
http://doi.acm.org/10.1145/1814433.1814435
Faberacoustical.2013.Pagina web de Sound Meter. Recuperado en Septiembre 12,
2014 de http://www.faberacoustical.com/ios_apps/soundmeter/
Faber Acoustical LLC n.d., iPhone Microphone Frequeney Response Comparison,
Recuperado en Junio 29, 2011 de
http://blog.faberacoustical.com/2009/iPhone/iPhonemicrophone-frequency-
response-comparison/
Garcia-Marti I., Torres-Sospedra J., Rodriguez Pupo L. y Huerta J. (2014). A
comparative study on VGI and professional noise data. En AGILE'2014
International Conference on Geographic Information Science, Castellón,
June, 3-6, 2014. Recuperado en Septiembre 22, 2014 de
http://www.agileonline.org/Conference_Paper/cds/agile_2014/agile2014_107
IEC. 2002. “ IEC 61672-1 - Electroacoustics - Sound level meters - Part 1:
Specifications ”.
IEC. 2003. “ IEC 61672- Electroacoustics - Sound level meters - Part 2 Pattern
evaluation tests ”.
Kardous C. y Shaw P.Evaluation of smartphone sound measurement
applications.(2014). The Journal of the Acoustical Society of America, 135,
EL186-EL192 (2014). Recuperado en Septiembre 3,2014
DOI:http://dx.doi.org/10.1121/1.4865269
59 59
Keene K., Merovitz A. , Irvine E., Manji N., Everett M., Chung I., Moodie S., Scollie
S., Gamble A., Zimmo S., Morrison C. y Chan B. (2013). Accuracy of
Smartphone Sound Level Meter Application. Recuperado en Agosto 22,
2014 de http://connection.ebscohost.com/c/articles/93733934/accuracy-
smartphone- sound-level-meter-applications
Liu, T., Zheng, Y., Liu, L., Liu, Y., & Zhu, Y. (2014). Methods for Sensing Urban
Noises. Recuperado en Agosto 12, 2014, de
http://research.microsoft.com/pubs/217238/Sensing urban noise -
MSRTR.pdf
Liu, L., and Zhu, Y., iCal: Intervention-free calibration for measuring noise with
smartphones. Submitted to Globecom 2014. Recuperado en Septiembre 10,
2014
Maisonneuve, N., Stevens, M., Niessen, M., & Steels, L. (2009). NoiseTube:
Measuring and mapping noise pollution with mobile phones. In I.
Athanasiadis, A. Rizzoli, P. Mitkas, & J. Gómez (Eds.), Information
Technologies in Environmental Engineering (pp. 215–228). Springer
Berlin Heidelberg. Recuperado en Agosto 16, 2014 de
http://dx.doi.org/10.1007/978- 3-540- 88351-7_16
Maisonneuve, N., Stevens, M., Ochab, B. (2010): Participatory noise pollution
monitoring using mobile phones. Recuperado en Julio 20, 2014 de
http://iospress.metapress.com/content/j1703l0248u8n816/
Organización de las Naciones Unidas (ONU). Declaración de Río sobre el Medio
Ambiente y el Desarrollo. (1992). Agenda 21. Recuperado en Julio 12, 2014
de http://www.un.org/spanish/esa/sustdev/documents/declaracionrio.htm
Pődör A. y Révész A. (2014). Noise map: professional versus crowdsourced data.
En AGILE’2014 Internacional Conference on Geographic Information
Science, Castellon, Junio, 3-6. Recuperado en Agosto 22, 2014 de
http://repositori.uji.es/xmlui/handle/10234/99088
60 60
Rana, R., Chou, C. T., Bulusu, N., Kanhere, S., & Hu, W. (2013). Ear-Phone: A
context aware noise mapping using smart phones. Pervasive and
Mobile Computing. Recuperado en Agosto 14,2014.
DOI: http://dx.doi.org/10.1016/j.pmcj.2014.02.001
Santini S., Ostermaier B. y Adelmann R. (2009). On the use of sensor nodes and
mobile phones for the assessment of noise pollution levels in urban
environments. En 6th international conference on Networked sensing
systems (INSS'09), Raj Rajkumar and Hide Tokuda (Eds.). IEEE Press,
Piscataway, NJ, USA, 31-38. Recuperado en Agosto 28, 2014 de
http://dl.acm.org/citation.cfm?id=180234 7
Schulz A., Janssen F, Karolus J y Schweizer I. (2013). Creating Noise Pollution
Maps Based on User-generated Noise Data. Recuperado en Septiembre
12, 2014 de
http://aimashup.org/aimashup2013/lib/exe/fetch.php?media=schulz_et_al_-
_creating_noise_pollution_maps_based_on_user-generated_noise_data.pdf
Stevens, M. (2012). Community memories for sustainable societies. The case of
environmental noise. Recuperado en Agosto 28, 2014 de
http://brussense.be/phd- matthias/Thesis-final.pdf
Studiosixdigital. (2013). Type 1 & 2 Certification . Recuperado en Julio 23, 2014 de
http://studiosixdigital.com/iphone_hardware/type-1--2-certification.html
Studio Six Digital, n.d., iPhone HardwareRecuperado en Agosto 12, 2014 de
http://www.studiosixdigital.com/iPhone_hardware.html
Weber, D. (2013). 30 iPad Sound Measurement Apps Reviewed. Recuperado en
Agosto 25, 2014 de http://www.safetyawakenings.com/safety-app-of-the-
week-42/
Wisniewski M., Demartini G., Malatras A. y Cudré-Mauroux P. (2013). NoizCrowd: A
Crowd-Based Data Gathering and Management System for Noise Level
Data. En 10th International Conference, MobiWIS 2013, Paphos, Cyprus,
Agosto 26-29. Recuperado en Agosto 2, 2014.
DOI: 10.1007/978-3-642-40276-0_14
61 61
Yao H., Yang G., Zhang C., Hu C, Liang Q. (2013). DDNM: Monitoring Environment
Noise using Smart Phones. En 2013 IEEE 7th International Symposium on
Embedded Multicore/Manycore System-on-Chip. Recuperado en Agosto 25
http://ieeexplore.ieee.org/xpl/login.jsp?tp=&arnumber=6657926&url=http%3A
%2F%2Fieeexplore.ieee.org%2Fxpls%2Fabs_all.jsp%3Farnumber%3D6657
926
Xiao X, Sheng , Tang J. y Xue G. (2012). Sensing as a service: A cloud computing
system for mobile phone sensing. En 11th IEEE SENSORS 2012
Conference, Octubre 28, 2012 - October 31, 2012, Taipei, Taiwan.
Recuperado en Julio 28, 2014 de http://surface.syr.edu/eecs/244/
